基于机器视觉的自然环境中成熟荔枝识别

研究了自然场景下成熟荔枝的识别技术.通过分析荔枝彩色图像的颜色和灰度特征,选取YCbCr颜色模型进行处理,对其Cr分量图进行阈值分割去除复杂背景,并采用形态学和连通区域标注法消除分割后的随机噪声;然后结合一维随机信号直方图分析法与模糊C均值聚类法( FCM)对处理后的荔枝图像进行聚类和分割,实现荔枝果实和果梗的识别.不同光照条件下的识别实验结果表明,算法均能有效分割出果实和果梗,综合识别率达到95.5％.     

农业高校本科人才培养目标与定位探讨——以“大数据管理与应用”专业为例

本科生教育是国家高等教育的重要组成部分。随着近年来我国新农科建设目标逐步明确,培养农业高校大数据管理与应用专业本科人才对农业经济与社会的发展意义重大。以2005-2022年CNKI收录的500篇大数据管理与应用专业相关的全部期刊文献作为研究对象,利用文献资料法、数理统计法、知识图谱可视化分析、逻辑分析科学研究方法,并借助CiteSpace文本分析软件对发文量、研究作者、论文发表机构、以及主要内容与前沿发展热点进行知识图谱可视化分析,得出了相关文献发行数量和研究机构随时间的变化趋势,旨在全面了解我国大数据管理与应用专业未来发展研究的趋势和特征,为当下的大数据管理与应用专业建设和教学模式优化提供有价值的参考。     

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。     

面向复杂背景环境目标的快速识别研究

面向复杂背景环境的定位目标的快速识别是野外作业机器人的关键技术,以柑橘为例,研究了自然环境下基于彩色信息的目标定位的识别方法。首先,采用YCbCr颜色模型来分析柑橘彩色图像的颜色和灰度特征,并通过Otsu与FCM分割算法相结合对在不同光照条件下拍摄的彩色目标图像进行分割;然后,利用形态学数学和区域标记消除分割后产生的随机噪声;最后,用凸包算法提取果实形状特征,并通过凸包算法来判定是否为柑橘和是否可采。对500张彩色柑橘图像进行分割,结果表明采用Cr颜色分量和Otsu与FCM算法相结合有效地解决复杂自然光照下的分割问题;对963个柑橘进行了凸包算法识别试验,总体识别率达87.53%。凸包算法对遮挡图像也可进行高效识别,并能快速、准确地提取柑橘目标的质心坐标。     

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。     

基于机器视觉图像特征参数的马铃薯质量和形状分级方法

马铃薯自动分级过程中,存在既要保证分级精度又对分级速度有一定要求的难点问题。该文探讨了利用机器视觉技术快速获取马铃薯图像特征参数,结合多元线性回归方法,建立马铃薯质量和形状分级预测模型,实现基于无损检测的马铃薯自动分级。搭建了同时获取马铃薯三面投影图像的机器视觉系统,通过图像数据处理获得马铃薯俯视图像轮廓面积、两侧面图像轮廓面积、俯视及侧面图像外接矩形长度及宽度数据等图像特征参数,通过多元数据回归分析,建立了马铃薯质量和形状分级预测模型。选择100个试验样本运用该方法进行质量和形状分级模型构建和预测,采用电子称获取样本实际质量,采用目测法对马铃薯进行形状分选。对比试验结果表明,质量分级相关度系数R为0.991,形状分级分辨率为86.7%。表明该方法对马铃薯质量和形状分级进行预测具有可行性,可运用于马铃薯自动分选系统中。     

荔枝采摘机械手视觉定位系统设计

建立了基于双目立体视觉的荔枝采摘机械手视觉定位系统.通过对成熟荔枝颜色特征的分析,选取YCbCr颜色模型进行处理,利用Otsu算法结合模糊C均值聚类法(FCM)对荔枝果实和果梗进行了分割,实验结果表明:有效识别果实和果梗的正确率为94.2％.通过计算果实质心与果梗的距离最大值确定荔枝采摘点,利用基于色调空间的彩色图像匹配法和极限约束法进行果梗采摘点的立体匹配,实现了采摘点的空间定位.通过定位误差分析,采用直线插值法进行定位误差补偿,定位实验结果表明:定位的深度误差小于10 mm,能满足荔枝机械手视觉精确定位的要求.     

植物根系竞争生长的三维可视化模拟

基于Simroot模拟系统的数学理论,结合Visual C++编程工具和OpenGL三维图形库技术,建立了一个虚拟植物根系竞争生长的三维可视化模拟系统.通过对作物大豆的根系竞争生长的模拟表明:本系统能够形象逼真地显现植物根系竞争生长的形态结构和生物特性,具有良好的通用性和适用性.     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。     

基于主动轮廓模型的自动导引车视觉导航

为解决工厂或农业非线性光照环境下视觉导航算法鲁棒性和实时性差的问题,提出基于主动轮廓模型的导航标识线检测与跟踪算法。首先用多项式曲线模型描述单向标识线,导航问题等价为计算多项式曲线参数;然后依据标识线颜色和边缘等特征,给出关于多项式曲线的主动轮廓模型的内、外部能量函数;最后将能量函数简化为非线性最小二乘问题,应用高斯牛顿法和Armijo-Goldstein不精确一维搜索方法求解曲线最优参数。采用自制视频和自主小车测试算法,结果表明:该算法对非线性光照条件下直线和弯曲标识线的导航正确率为98.96%,运算时间为40.18 ms。试验验证了该算法的鲁棒性和实时性。